滚动轴承故障诊断目录一、滚动轴承的认识 (1)1．1功能 (1)1．2结构 (1)二、滚动轴承故障介绍 (2)2.1疲劳点蚀 (2)2.2塑性变形 (2)2.3磨损 (2)2.4疲劳剥落 (3)2.5锈蚀 (3)2.6断裂 (3)2.7胶合 (3)2.8保持架损坏 (3)三、滚动轴承故障诊断综述 (4)3.1故障信号诊断方法 (4)3.1．1冲击脉冲法(SPM) (4)3.1.2共振解调法 (4)3.1.3小波分析 (4)3.1.4 倒频谱诊断滚动轴承故障 (5)3.2故障信号的智能诊断技术 (5)四、实验数据处理.............................................................................. 错误！未定义书签。

4.1数据预处理 (6)4.2时域数据处理及特征提取 (8)4.2.1时域数据处理 (8)4.2.2时域分析特征值提取 (9)4.3频域数据处理及特征值提取 (10)4.3.1频谱图特征值的提取 (10)4.4归一化处理 (11)五、BP神经网络 (14)5.1BP神经网络模型的建立 (14)5.2 BP神经网络训练及仿真 (15)六、参考查阅 (16)一、滚动轴承的认识1．1功能滚动轴承使用维护方便，工作可靠，起动性能好，在中等速度下承载能力较高。

与滑动轴承比较，滚动轴承的径向尺寸较大，减振能力较差，高速时寿命低，声响较大。

2．1结构滚动轴承的结构由部分组成（1）外圈——装在轴承座孔内，一般随轴转动，有滚道，限制滚动体的侧向移动（2）内圈——装在轴颈上，一般不转动，有滚道，限制滚动体的侧向移动（3）滚动体——核心元件，在滚道中产生滚动摩擦有球、圆柱磙子、圆锥磙子等（4）保持架——将滚动体均匀分开，避免相互碰撞，减小磨损（如果滚动体接触，速度方向相反，是两倍），减少发热目前，润滑剂也被认为是滚动轴承第五大件，它主要起润滑、冷却、清洗等作用。

二、滚动轴承故障介绍滚动轴承在运转过程中可能会由于各种原因引起损坏，如装配不当、润滑不良、水分和异物侵入、腐蚀和过载等都可能会导致轴承过早损坏。

即使在安装、润滑和使用维护都正常的情况下，经过一段时间运转，轴承也会出现疲劳剥落和磨损而不能正常工作。

总之，滚动轴承的故障原因是十分复杂的。

滚动轴承的主要故障形式与原因如下。

2.1疲劳点蚀在载荷作用下，滚动体和内外圈接触处将产生接触应力。

当接触应力循环次数达到一定数值后，内外圈滚道或滚动体表面将形成疲劳点蚀，使轴承失去工作能力，即失效。

2.2塑性变形当轴承受到过大的冲击载荷或静载荷时，或因热变形引起额外的载荷，或有硬度很高的异物侵入时都会在滚道表面上形成凹痕或划痕。

这将使轴承在运转过程中产生剧烈的振动和噪声。

而且一旦有了压痕，压痕引起的冲击载荷会进一步引起附近表面的剥落。

2.3磨损由于尘埃、异物的侵入，滚道和滚动体相对运动时会引起表面磨损，润滑不良也会加剧磨损，磨损的结果使轴承游隙增大，表面粗糙度增加，降低了轴承运转精度，因而也降低了机器的运动精度，振动及噪声也随之增大。

对于精密机械轴承，往往是磨损量限制了轴承的寿命。

此外，还有一种微振磨损。

在轴承不旋转的情况下，由于振动的作用，滚动体和滚道接触面间有微小的、反复的相对滑动而产生磨损，在滚道表面上形成振纹状的磨痕。

2.4疲劳剥落滚动轴承的内外滚道和滚动体表面既承受载荷又相对滚动，由于交变载荷的作用，首先在表面下一定深度处（最大剪应力处）形成裂纹，继而扩展到接触表面使表层发生剥落坑，最后发展到大片剥落，这种现象就是疲劳剥落。

疲劳剥落会造成运转时的冲击载荷、振动和噪声加剧。

通常情况下，疲劳剥落往往是滚动轴承失效的主要原因，一般所说的轴承寿命就是指轴承的疲劳寿命，轴承的寿命试验就是疲劳试验。

试验规程规定，在滚道或滚动体上出现面积为0.5mm2的疲劳剥落坑就认为轴承寿命终结。

滚动轴承的疲劳寿命分散性很大，同一批轴承中，其最高寿命与最低寿命可以相差几十倍乃至上百倍，这从另一角度说明了滚动轴承故障监测的重要性。

2.5锈蚀锈蚀是滚动轴承最严重的问题之一，高精度轴承可能会由于表面锈蚀导致精度丧失而不能继续工作。

水分或酸、碱性物质直接侵人会引起轴承锈蚀。

当轴承停止工作后，轴承温度下降达到露点，空气中水分凝结成水滴附在轴承表面上也会引起锈蚀。

此外，当轴承内部有电流通过时，电流有可能通过滚道和滚动体上的接触点处，很薄的油膜引起电火花而产生电蚀，在表面上形成搓板状的凹凸不平。

2.6断裂过高的载荷会可能引起轴承零件断裂。

磨削、热处理和装配不当都会引起残余应力，工作时热应力过大也会引起轴承零件断裂。

另外，装配方法、装配工艺不当，也可能造成轴承套圈挡边和滚子倒角处掉块。

2.7胶合在润滑不良、高速重载情况下工作时，由于摩擦发热，轴承零件可以在极短时间内达到很高的温度，导致表面烧伤及胶合。

所谓胶合是指一个零部件表面上的金属粘附到另一个零件部件表面上的现象。

2.8保持架损坏由于装配或使用不当可能会引起保持架发生变形，增加它与滚动体之间的摩擦，甚至使某些滚动体卡死不能滚动，也有可能造成保持架与内外圈发生摩擦等。

这一损伤会进一步使振动、噪声与发热加剧，导致轴承损坏。

三、滚动轴承故障诊断综述3.1故障信号诊断方法3.1．1冲击脉冲法(SPM)SPM技术(Shock Pulse Method)，是在滚动轴承运转中，当滚动体接触到内外道面的缺陷区时，会产生低频冲击作用，所产生的冲击脉冲信号，会激起SPM 传感器的共振，共振波形一般为20kHz～60kHz，包含了低频冲击和随机干扰的幅值调制波，经过窄带滤波器和脉冲形成电路后，得到包含有高频和低频的脉冲序列。

SPM 方法是根据这一反映冲击力大小的脉冲序列来判断轴承状态的。

此种方法目前被公认为对诊断滚动轴承局部损伤故障工程实用性最强的。

此方法虽然克服了选择滤波中心频率和带宽的困难，但这种固定中心频率和带宽的方法也有其局限性，因为，一些研究结果表明，滚动轴承局部损伤故障所激起的结构共振频率并不是固定不变的，在故障的不同阶段可能激起不同结构的共振响应,而不同部位的故障(内、外圈、滚子)也会激起不同频率结构的共振响应。

显然，固定的滤波频带有其局限性。

实际使用情况表明，当背景噪声很强或有其他冲击源时，SPM诊断效果很差，失去实用价值。

3.1.2共振解调法共振解调法(Demodulated Resonance Analysis)也称包络分析法或高频共振技术，是处理机械冲击引起的高频响应信号的有效方法。

当机械故障引起等间隔的高频冲击脉冲响应信号时，用硬件进行高通滤波，检波和低通滤波提取信号的包络，或对用硬件或软件进行高频带通滤波后的信号进行Hilbert变换求包络；对包络信号检测其峰值P、均值R或P／R值，可诊断滚动轴承的某些故障。

当以轴承结构系统的共振频率为滤波器的中心频率时，包络分析方法存在着如何确定带通滤波器的中心频率和带宽的问题。

由于预先难以确定设备结构系统的共振频率，不同设备结构系统共振频率的变化范围又较大，为了使滤波器具有较大的适应性，只好选择较宽的滤波频带，但是，较宽的频带势必引入大量的干扰噪声，降低信噪比；若带宽选得过窄则有可能漏掉结构系统的共振频率。

对包络信号进行谱分析可识别出冲击产生的频率，但是当出现谐波或由于包络信号存在幅值调制而引起和频、差频时，包络谱变得十分复杂，难以识别；而此时，包络谱单一谱峰的峰值也不能用于评价故障的严重程度。

3.1.3小波分析小波变换是近年来发展起来的一种新的时频信号分析方法，由于其良好的时频特性，被国内外广大科研工程人员应用于故障诊断领域。

文献[13]以Haar小波变换为基础，采用脉冲指标为诊断参数，对滚动轴承进行故障诊断。

对经过小波变换方法处理后的滚动轴承振动信号进行谱分析，以自定义的诊断参数作为识别滚动轴承损伤类故障的特征量，但是，由于该方法采用的变换尺度较小，当存在其他低频段强能量干扰时，该特征量的有效值得怀疑。

小波变换与其他分析方法的结合对滚动轴承进行故障诊断，取得了良好的诊断效果。

文献[14]对振动信号进行小波分解，然后再进行包络解调分析，减小了计算量，提高了诊断准确率。

文献[15]利用小波包对滚动轴承的振动加速度信号进行分解，得到振动信号在不同频带的能量，并以此作为特征向量，然后采用加权k近邻法对滚动轴承进行故障诊断。

文献[16]利用小波包得到的滚动轴承在不同频带的能量特征与径向基函数网络(RBFN)相结合，同样得到了理想的检测结果。

3.1.4 倒频谱诊断滚动轴承故障在对齿轮箱类设备进行故障诊断时．为更准确地找出故障特征频率。

往往需要进行频率细化分析。

但在实际分析时发现，仅进行频率细化分析有时还无法看清频率结构。

还需要进一步做倒频谱分析。

倒频谱能较好地检测出功率谱上的周期成分．通常在功率谱上无法对边频的总体水平做出估计．而倒频谱则具有“概括”能力。

能较明显地显示出功率谱上的周期成分，使之定量化。

将原来谱上成族的边频带简化为单根谱线，便于观察。

而齿轮、轴承等零部件发生故障时，振动频谱具有的边频带一般都具有等间隔(故障频率)的结构，利用倒频谱的这个优点。

可以检测出功率谱中难以辨识的周期性信号。

3.2故障信号的智能诊断技术滚动轴承的智能诊断技术就是利用人工智能技术中的专家系统、知识工程、遗传算法、模糊理论和人工神经网络等技术和滚动轴承的特征参数或其他信号处理方法相结合对轴承故障进行诊断与监测。

文献[17]利用滚动轴承中状态监测中的几个特征量，即峰值、有效值、峭度值，轴承外圈、内圈和滚动体的特征频率幅值等参数作为神经网络的输入参数，对滚动轴承的故障进行诊断，试验表明该方法可以对轴承故障进行有效的监测和诊断。

文献[18将分形维数概念与多层感知器神经网络结合，以分形维数作为特征量输入的分形神经网络诊断方法，应用到轴承系统实例诊断分析，获得了明显的诊断结果。

文献[19]构造了基于P一范数模糊神经网络，算法可以对Sugeno—Takagi模型进行逼近，因而更便于学习，克服了单纯前向神经网络训练中容易陷入局部极小及收敛速度较慢的缺点。

文献[20]将小波包和神经网络相结合，先利用小波包分解对滚动轴承的动态信号进行分析、提取特征，然后采用Kohonen 神经网络进行滚动轴承故障诊断。

文献[21]利用遗传规划的方法对滚动轴承的振动信号幅值特征参数进行自组织，生成了高分辨率的用于逐次诊断的最佳特征参数，以提高轴承故障诊断的准确率。

明延锋在文献[22]中提出了一种基于并行组合模拟退火算法的故障识别方法。

此算法是将模拟退火算法较强的局部搜索能力和遗传算法对搜索过程总体较强的把握能力相结合，相互取长补短，而构成的一种性能优越的全局搜索算法。